這里簡單的介紹一下支持向量機的概念。
支持向量機（Support Vector machine, SVM）是一類按監督學習（supervised learning）方式對數據進行二元分類的廣義線性分類器（generalized linear classifier），其決策邊界是對學習樣本求解的最大邊距超平面（maximum-margin hyperplane）。
SVM使用鉸鏈損失函數（hinge loss）計算經驗風險（empirical risk）并在求解系統中加入了正則化項以優化結構風險（structural risk），是一個具有稀疏性和穩健性的分類器。SVM可以通過核方法（kernel method）進行非線性分類，是常見的核學習（kernel learning）方法之一。
SVM被提出于1964年，在二十世紀90年代后得到快速發展并衍生出一系列改進和擴展算法，在人像識別、文本分類等模式識別（pattern recognition）問題中有得到應用。
分類器常用術語
* True Positive (TP): "真正"指被model預測為正的正樣本，即判斷為真的正確率
* True Negative(TN): "真負" 指被model預測為負的負樣本，即判斷為假的正確率
* False Positive(FP): "假正" 指被模型預測為正的負樣本，即誤報率
* False Negative(FN): "假負" 指被模型預測為負的正樣本，即漏報率
* 精準度（precision）： P = TP/(TP+FP) 指被分類器判定正例中的正樣本的比重
* 召回率(Recall)： R=TP/(TP+FN) = 1- FN/T 指的是被預測為正例的占總的正例的比重
* 準確率(Accuracy)： A = TP/(TP+FN)=(TP+TN)/(TP+FN+FP+TN) 分類器的準確度,能將正的判定為正，負的判定為負。
LIBSVM
JAVA-ML中封裝了java開源支持向量機的庫。LibSVM是臺灣林智仁(Chih-Jen Lin)教授2001年開發的一套支持向量機的庫，這套庫運算速度還是挺快的，可以很方便的對數據做分類或回歸。由于LibSVM程序小，運用靈活，輸入參數少，并且是開源的，易于擴展，因此成為目前國內應用最多的SVM的庫。
經過Java-ML項目使得LibSVM更易使用，避免了一些不必要參數的輸入。
創建SVM分類器
創建SVM分類器
上面的代碼將加載示例iris數據集。接下來，它創建LibSVM的一個實例，接下來將使用它訓練出一個分類器。
訓練SVM分類器
訓練SVM分類器
這里我們對樣本進行trainCount=5輪訓練，訓練集與測試集比例為4：1，訓練輸出結果如下
訓練結果
由訓練輸出結果我們可以看出在第4輪與第5輪訓練結束精確度與準確率就已經逮到了1。
分類器的保存與加載
Java-ML提供了一個工具類Serial，該類提供了將Java可序列化對象保存成文件的方法和文件加載成Java可序列化對象的方法。
方法1
方法2
Serial使用方法
分類器的預測
分類器的預測
